【技术实现步骤摘要】
本说明书实施例涉及物体识别领域，尤其涉及一种物体分类模型训练方法、装置、设备及存储介质。
技术介绍
1、目前，光谱图像在许多业务中都被使用。例如，遥感卫星可以通过搭载的遥感器、成像光谱仪等硬件设施，拍摄出用来满足各行各业需求的遥感光谱影像。这些遥感光谱影像可以应用于资源环境、气象、海洋、农林业、经济等多种行业，进行资源环境监测、地表温度反演、自然灾害监测、地物统计分类、气象监测等多种用途。
2、具体地，光谱图像也可以用于进行物体分类。例如，基于遥感光谱影像，可以进行地物分类，将遥感光谱影像作为基础数据，采用统计学方法，可以将地表上的地物分为林地、草地、荒地、水体、建筑用地、雪地等类别，也可以通过地统计学方法和遥感指数、光谱分析方法提取某一种地物，如：房屋、水稻、某种矿石等。
3、但如果两类物体在某些光谱特征上相近，难以区分，如何高效的提高物体的分类精度，成为一个亟待解决的问题。
4、例如，水体和道路这两类地物在某些光谱特征上相近，从而难以区分。
技术实现思路
1、为了解决上述技术问题，本说明书实施例提供了一种物体分类模型训练方法、装置、设备及存储介质。技术方案如下所示。
2、一种物体分类模型训练方法，包括：
3、获取光谱图像样本；
4、在所述光谱图像样本中，将粗分类预测为第一物体类别的目标像素，以及粗分类预测为第二物体类别的目标像素，输入待训练的物体分类模型；
5、基于所述物体分类模型，执行以下步骤
6、基于所述预测结果，训练更新所述物体分类模型。
7、可选地，基于第一物体类别的光谱图像像素所确定的第一光谱反射率曲线，与基于第二物体类别的光谱图像像素所确定的第二光谱反射率曲线，在所述预设光谱区间上的积分值差异度大于预设差异度阈值。
8、可选地，所述预设光谱区间的确定方法，包括：
9、针对第一物体类别的光谱图像像素，确定第一光谱反射率曲线；
10、针对第二物体类别的光谱图像像素，确定第二光谱反射率曲线；
11、获取若干初始光谱区间；
12、确定第一光谱反射率曲线与第二光谱反射率曲线，在同一初始光谱区间上的积分值差异度；
13、将积分值差异度满足预设差异度条件的初始光谱区间，确定为预设光谱区间。
14、可选地，所述预设差异度条件包括以下至少一项：
15、积分值差异度大于预设差异度阈值；
16、将各个初始光谱区间的积分值差异度从大到小排序，排序序号≤n。
17、可选地，所述积分值差异度的确定方式，包括以下任一项：
18、计算第一光谱反射率曲线在初始光谱区间上的第一积分值，以及第二光谱反射率曲线在同一初始光谱区间上的第二积分值；针对第一积分值与第二积分值之间的商，以及商的倒数，确定其中的最大值；根据所确定的最大值确定积分值差异度；
19、针对第一光谱反射率曲线与第二光谱反射率曲线，计算在同一初始光谱区间上的积分值之间差的绝对值，根据差的绝对值确定积分值差异度。
20、可选地，所述针对输入的目标像素确定目标光谱反射率曲线，包括：
21、获取目标像素中，至少两组光谱与反射率的对应关系；
22、基于所获取的对应关系，通过拟合的方式，确定目标光谱反射率曲线。
23、可选地，所述针对第一物体类别的光谱图像像素，确定第一光谱反射率曲线，包括：
24、获取第一物体类别的多个光谱图像像素；
25、计算所获取的多个光谱图像像素在相同光谱下的反射率统计值，得到至少两组光谱与反射率统计值的对应关系；
26、基于所获取的对应关系，通过拟合的方式，确定第一光谱反射率曲线；
27、所述针对第二物体类别的光谱图像像素，确定第二光谱反射率曲线，包括：
28、获取第二物体类别的多个光谱图像像素；
29、计算所获取的多个光谱图像像素在相同光谱下的反射率统计值，得到至少两组光谱与反射率统计值的对应关系；
30、基于所获取的对应关系，通过拟合的方式，确定第二光谱反射率曲线。
31、可选地，所述综合所确定的n个积分值确定所述目标像素的目标光谱特征向量，包括：
32、将所确定的n个积分值，分别确定为所述目标像素的n维目标光谱特征向量中的各个元素。
33、可选地，所述粗分类，包括：
34、获取所述光谱图像样本对应的待分类光谱图像；所述待分类光谱图像与对应光谱图像样本，是光谱分辨率不同的同一图像；所述待分类光谱图像的光谱分辨率，小于对应光谱图像样本的光谱分辨率；
35、针对待分类光谱图像，利用预设物体分类方式得到各像素的预测物体类别；
36、根据待分类光谱图像中预测物体类别为第一物体类别的像素，确定所述光谱图像样本中粗分类预测为第一物体类别的目标像素；
37、根据待分类光谱图像中预测物体类别为第二物体类别的目标像素，确定所述光谱图像样本中粗分类预测为第二物体类别的目标像素。
38、可选地，所述根据所述目标光谱特征向量预测所述目标像素属于第一物体类别或第二物体类别，包括：
39、基于目标光谱特征向量，针对目标像素进行聚类；
40、针对聚类结果中的各个类别，预测其中的目标像素属于第一物体类别或第二物体类别。
41、可选地，所述基于所述预测结果，训练更新所述物体分类模型，包括以下任一项：
42、基于所述预测结果与所述光谱图像样本的标注结果，训练更新所述物体分类模型；
43、确定所述光谱图像样本中目标像素所属的实际物体类别，基于所述预测结果和所确定的实际物体类别，训练更新所述物体分类模型。
44、可选地，所述基于所述预测结果，训练更新所述物体分类模型，包括：
45、基于所述预测结果，训练更新所述物体分类模型；在训练过程中，更新所述物体分类模型中的以下至少一项：
46、至少一个物体分类模型参数、粗分类方法、所述n的大小、所述预设光谱区间、所述预设光谱区间的确定方法、以及所述目标光谱反射率曲线的确定方法。
47、一种物体分类模型训练装置，包括：
48、样本单元，用于获取光谱图像样本；
49、粗分类单元，用于在所述光谱图像样本中，将粗分类预测为第一物体类别的目标像素，以及粗分类预测为第二物体类别的目标像素，输入待训练的物体分类模型；
50、预测单元，用于基于所述物体分类模型，执行以下步骤得到预测结果：针对输入的本文档来自技高网...
【技术保护点】
1.一种物体分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于第一物体类别的光谱图像像素所确定的第一光谱反射率曲线，与基于第二物体类别的光谱图像像素所确定的第二光谱反射率曲线，在所述预设光谱区间上的积分值差异度大于预设差异度阈值。
3.根据权利要求1所述的方法，其特征在于，所述预设光谱区间的确定方法，包括：
4.根据权利要求3所述的方法，其特征在于，所述针对第一物体类别的光谱图像像素，确定第一光谱反射率曲线，包括：
5.一种物体分类方法，其特征在于，包括：
6.一种物体分类模型训练方法，其特征在于，包括：
7.一种地物分类模型训练方法，其特征在于，包括：
8.一种物体分类模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如权利要求1至7中任意一项所述的方法。
10.一种机器可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时
...【技术特征摘要】
1.一种物体分类模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于第一物体类别的光谱图像像素所确定的第一光谱反射率曲线，与基于第二物体类别的光谱图像像素所确定的第二光谱反射率曲线，在所述预设光谱区间上的积分值差异度大于预设差异度阈值。
3.根据权利要求1所述的方法，其特征在于，所述预设光谱区间的确定方法，包括：
4.根据权利要求3所述的方法，其特征在于，所述针对第一物体类别的光谱图像像素，确定第一光谱反射率曲线，包括：
5.一种物体分类方...
【专利技术属性】
技术研发人员：娄本昊，
申请(专利权)人：杭州数梦工场科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。